[논문 리뷰] A Novel Approach Towards Clustering Based Image Segmentation

Dibya Jyoti Bora, Anil Kumar Gupta|arXiv (Cornell University)|2015. 06. 04.

Image Retrieval and Classification Techniques참고 문헌 9인용 수 28

한 줄 요약

이 논문은 분할 정확도를 햖스키기 위해 K-means 군집화에서 LAB 색상 공간과 코사인 거리를 사용하는 새로운 군집 기반 영상 분할 방법을 제안한다. 소벨 필터를 적용한 후 마커 기반 워터셰드 분할을 통해, 기존 방법에 비해 뛰어난 성능을 달성하였으며, 보고된 MSE 및 PSNR 값은 분할 품질 향상을 입증한다.

ABSTRACT

In computer vision, image segmentation is always selected as a major research topic by researchers. Due to its vital rule in image processing, there always arises the need of a better image segmentation method. Clustering is an unsupervised study with its application in almost every field of science and engineering. Many researchers used clustering in image segmentation process. But still there requires improvement of such approaches. In this paper, a novel approach for clustering based image segmentation is proposed. Here, we give importance on color space and choose lab for this task. The famous hard clustering algorithm K-means is used, but as its performance is dependent on choosing a proper distance measure, so, we go for cosine distance measure. Then the segmented image is filtered with sobel filter. The filtered image is analyzed with marker watershed algorithm to have the final segmented result of our original image. The MSE and PSNR values are evaluated to observe the performance.

연구 동기 및 목표

• 거리 측정 방법에 민감한 기존 K-means 군집화의 한계를 해결하기 위해.
• 시각적으로 균일한 LAB 색상 공간을 활용하여 분할 정확도를 향상시키기 위해.
• 엣지 유지 필터링(Sobel)과 마커 기반 워터셰드 분할을 통합하여 경계 검출을 향상시키기 위해.
• MSE 및 PSNR와 같은 정량적 지표를 사용하여 성능 평가하기 위해.
• 노이즈 및 경계 모호성에 더 강건한 비지도 영상 분할 프레임워크 제시하기 위해.

제안 방법

• 영상 분할에서 더 나은 색상 표현과 시각적 균일성을 확보하기 위해 LAB 색상 공간을 사용한다.
• 유사도 측정으로 유클리드 거리 대신 코사인 거리 측정을 사용하여 고차원 특징 공간에서의 군집 분리 성능을 향상시킨다.
• 분할된 영상에 소벨 필터를 적용하여 에지 정보를 강화하고 노이즈를 억제한다.
• 필터링된 영상은 마커 기반 워터셰드 알고리즘을 통해 처리되어 분할 경계를 정밀하게 다듬고 겹치는 영역을 분리한다.
• 최종 분할 영상은 평균 제곱 오차(MSE)와 피크 신호 대 노이즈 비율(PSNR)을 사용하여 정량적 성능 평가를 수행한다.
• 논문은 국제 엔지니어링 과학 및 공학 저널에서 제공한 테스트 이미지에 적용되었으며, 결과는 7자리 수치와 1개의 표로 구성된 데이터셋에 보고되었다.

실험 결과

연구 질문

• RQ1 LAB 색상 공간을 사용할 경우 RGB에 비해 군집 기반 영상 분할 성능이 어떻게 향상되는가?
• RQ2 K-means에서 유클리드 거리 대신 코사인 거리를 사용할 경우 분할 정확도가 얼마나 향상되는가?
• RQ3 소벨 필터링 이후 마커 기반 워터셰드 분할이 과다 분할을 효과적으로 줄이고 경계 검출을 향상시키는가?
• RQ4 제안된 방법을 사용할 경우 MSE 및 PSNR 측면에서 정량적 성능 향상은 어느 정도인가?
• RQ5 기본 K-means 분할 방법과 비교해 볼 때 제안된 파이프라인은 강건성과 시각적 품질 측면에서 어떻게 다른가?

주요 결과

• LAB 색상 공간과 K-means 군집화에서 코사인 거리 측정을 조합함으로써 개선된 분할 결과를 달성하였다.
• 코사인 거리 사용으로 특징 크기 민감도가 감소하고 색상 공간 내 군집 분리가 향상되었다.
• 소벨 필터링은 에지 강화에 효과적이었으며, 워터셰드 알고리즘의 초기화를 향상시켰다.
• 마커 기반 워터셰드 분할은 과다 분할을 성공적으로 줄이고 객체 경계를 정밀하게 다듬었다.
• 정량적 평가 결과 양호한 MSE 및 PSNR 값이 도출되어 원본 영상과 분할 영상 간의 정밀도가 높음을 시사한다.
• 기존의 표준 K-means 접근법에 비해 제안된 방법은 표준 지표를 사용하여 분할 품질 향상이 명확히 입증되었다.